基于机器学习辅助的综合生物信息学,识别了类风湿性关节炎的诊断生物标志物,及其与免疫细胞的相关性

科学领域:

• 生物信息学是一种生物信息学.
• 免疫学 免疫学 免疫学
• 基因组学就是基因组学.

背景情况:

• 类风湿性关节炎 (RA) 是一种慢性自身免疫性疾病,其病因不明.
• 由于炎症,RA导致关节破坏,残疾和功能丧失.
• 早期诊断和治疗RA仍然具有挑战性.

研究的目的:

• 使用机器学习辅助生物信息学探索类风湿性关节炎 (RA) 的潜在生物标志物.
• 为了研究RA病变的基础的免疫分子机制.
• 为RA提供早期诊断和治疗策略的参考资料.

主要方法:

• 从GEO数据库选RA基因芯片并进行批量校正.
• 使用R软件识别了差异表达基因 (DEG),并进行了功能丰富分析 (GO,KEGG,DO,GSEA).
• 利用机器学习 (LASSO,SVM-RFE,随机森林) 来识别潜在的RA生物标志物,并使用CIBERSORT分析免疫细胞透.

主要成果:

• 确定了79个关键的DEG,其中12个枢纽基因是通过组合机器学习算法选择的.
• 验证了7个基因 (KYNU,EVI2A,CD52,C1QB,BATF,AIM2,NDC80) 作为RA的潜在诊断生物标志物.
• 发现了RA诊断生物标志物和免疫细胞,包括T细胞和树突细胞之间的相关性.

结论:

• 这七个已识别的基因 (KYNU,EVI2A,CD52,C1QB,BATF,AIM2,NDC80) 对RA具有显著的诊断和临床价值.
• 这些基因与免疫细胞透密切相关,这表明它们有可能成为RA的新型诊断和免疫治疗标记物.
• 这些发现为RA病原和潜在的治疗点提供了新的见解.